2026 年 5 款 LLM 提示词自动优化工具推荐：DSPy、TextGrad、AdalFlow 怎么选？

提示词自动优化工具的共同前提，是你能给出任务样本和评价信号。想构建可组合的 Python AI 程序，可以先看 DSPy；想研究文本反馈如何更新提示或答案，可以比较 TextGrad；已有组件化应用，可以评估 AdalFlow。GEPA 独立库和 PromptWizard 则提供另外两种接入与实验方式。

本文于 2026-10-18 核对官方资料，按适用场景列出五个候选。没有用同一模型与数据集做统一效果或成本排名，也不把论文或官网的分数当成自己的测量结果。

五款工具速查

工具	主要入口	可先验证的任务	维护重点
DSPy	Signature、Module 与 Optimizer	分类、抽取、RAG、多步程序	指标、数据划分、adapter 与优化器版本
TextGrad	Variable、文本损失与反馈更新	提示词、答案或代码的文本反馈实验	反馈质量、更新对象与跨样本泛化
AdalFlow	Component、Parameter 与 Trainer	组件化应用的指令及示例优化	计算图、训练接口与版本兼容
GEPA 独立库	evaluator 与可优化文本参数	已有程序的反思式候选搜索	执行反馈、适配器和评估预算
PromptWizard	任务配置、提示与示例迭代	离散提示优化与研究复现	配置、合成样本来源和依赖维护

这里的 GEPA 是独立库。DSPy 也集成了 dspy.GEPA，两者有算法关联，不能当成两种完全无关的方法；选择时应比较接入层与优化对象。

1. DSPy：把任务定义、模块和优化连在一起

DSPy 适合愿意在代码里描述应用结构的团队。Signature 定义任务接口，模块表达推理或工具流程，再用样本与指标驱动优化。它提供多种优化器，分别处理示例、指令或其他训练目标，而不是只有一条固定优化路线。当前文档

起步建议是只选一个任务：先跑无优化的基线，再增加一种优化器。不要同时换模型、拆分流程和修改判分，否则难以判断变化来自哪里。BootstrapFewShot 可以帮助理解通过评分的轨迹如何变成示例；需要指令搜索时再研究 MIPROv2 或 GEPA。优化器参考

费用与限制：MIT 框架许可免费，学生、教师、反思和判分模型用量另计。工具能优化某个指标，不代表该指标覆盖了业务风险，也不保证迁移到另一模型后继续提升。

2. TextGrad：研究文本反馈如何推动更新

TextGrad 用文本反馈类比梯度，将可更新内容表示成 Variable，并通过损失和优化器更新。官方示例既有答案修正，也有提示词优化；优化一条答案与学习一个可复用于未见输入的提示，是两种不同验收目标。官方仓库

如果你希望研究反馈链、替换某个文本变量或构造新的文本损失，可以先做小型实验。要评价泛化能力，应在训练以外的样本上重新测试，不把单个示例修正成功当成整体任务已变好。

费用与限制：MIT 许可，前向生成、反馈、更新和评估可能分别消耗模型用量。官方仓库将部分 LiteLLM engine 接入标为实验性，接入前核对版本和模型契约。详细比较见 DSPy vs TextGrad。

3. AdalFlow：以组件和参数组织可优化应用

AdalFlow 的文档用 Component、Generator、Parameter、AdalComponent 与 Trainer 组织应用和训练流程。指令参数与示例参数有不同作用，训练配置可结合文本反馈与示例优化。官方文档

适合希望把应用执行和训练过程放在统一组件体系里的团队。先检查现有检索、工具、解析器和模型客户端能否进入这套抽象，再测优化收益。为了使用一个优化器而全面迁移应用，可能比增加局部实验适配层更昂贵。

费用与限制：MIT 许可；模型、优化、数据标注、追踪和维护另计。官网的比较性研究结论不等于你的业务测量。与 DSPy 的抽象差异见对比文章。

4. GEPA 独立库：为现有系统接入反思式搜索

GEPA 独立项目围绕可优化的文本参数、执行评价与反馈搜索候选，适合希望保留现有程序、另写评价接口的团队。其当前文档将优化对象扩展到提示、代码和配置等文本参数，具体能力要按采用的 API 与版本核对。官方仓库

若应用已经使用 DSPy，可以先验证 dspy.GEPA 是否满足要求；若只希望优化既有系统的一部分，再评估独立库适配。这是接入层面的取舍，不是“同一算法有两个品牌就一定得到两次独立提升”。

费用与限制：MIT 许可，执行候选、模型反思和评估可能有不同用量。搜索优化代码时，还要为执行候选代码提供适当隔离；提示优化也应避免把未获准的数据写进反馈轨迹。本文没有运行代码优化或生产安全基准。

5. PromptWizard：按任务组织提示与示例迭代

PromptWizard 官方项目描述了生成、批评、精炼提示及示例的流程，适合研究任务配置、合成示例和离散提示优化。其仓库提供配置与示例入口，采用 MIT 许可。官方仓库

先核对所需模型、数据格式和运行步骤，再决定是否适合接入现有发布流程。研究项目的配置和依赖需要自己固定、维护；本文没有把它当成带有托管 SLA 的商业平台。

费用与限制：反复生成、批评、合成示例及评估均可能产生费用。合成样本必须核查正确性、来源与覆盖，不能自动作为干净的最终测试集。若评估样本参与了合成或提示更新，其分数就不能继续代表未见数据表现。

选型前先回答四个问题

优化对象是什么？

明确是整条程序的可复用提示、某个模块的示例、单条答案，还是代码与配置。选择与目标一致的工具和评价口径。仅对一条答案的修正，不能直接与面向多个未见样本的任务优化分数比较。

指标会不会奖励错误行为？

分类应检查正确标签；抽取应检查字段及原文支持；RAG 应核对引用与答案。输出可解析、字数合适或回答很长，都不足以代表完成任务。关键违规条件可独立判定，不要被平均分掩盖。

哪些样本能参与迭代？

训练集用于生成或更新，验证集可能用于挑候选，最终测试集保持隔离。按来源文档、会话或业务对象分组，并检查重复内容。多次查看测试结果再改提示后，这份测试集已经参与开发，需要另留新验收数据。

实验费用包含哪些角色？

记录学生模型、教师或反思模型、judge、检索和工具的用量；把输入、输出 token、缓存、重试与并发分开核算。迭代步数和 metric calls 是实验工作量单位，不是完整账单。免费框架也可能让一个实验产生很多次付费请求。

共同验收方式

固定任务、模型、adapter、样本划分及指标版本。保留基线，给每个候选相近的实际预算，分别报告总体表现、关键失败、无法评分样本、成本和运行时间。多个随机种子、不同数据来源与代表性样本能帮助发现脆弱改进，但不能用少量成功演示替代验收。

可以用 DSPy 教程先验证数据划分、严格评分和程序保存，再决定是否接入真实模型做优化。该教程的模拟结果仅用于验证管线，不是五款工具的能力排名。